利用基于解剖结构的伪标签改进婴儿脑部MRI中的BG-PVS量化技术，以实现BG（血脑屏障）和PVS（脑血管结构）的分割

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《JOURNAL OF MAGNETIC RESONANCE IMAGING》：Improved BG-PVS Quantification in Infant Brain MRI Using Anatomy-Informed Pseudo-Labels for Joint BG and PVS Segmentation

【字体：大中小】 时间：2026年03月24日 来源：JOURNAL OF MAGNETIC RESONANCE IMAGING 3.5

编辑推荐：

　　本研究开发了基于解剖学先验的自动化深度学习方法，用于婴儿脑MRI中基底节区及其周围血管空间的分割。在三个队列数据集上验证，准确度达0.91（基底节区DSC）和0.78（周围血管空间DSC），高相关系数（r=0.90-0.99）和强一致性（ICC≥0.96），支持高效神经发育研究。

摘要

背景

对基底节（BG）中血管周围空间（PVS）的可靠量化对于理解淋巴系统具有重要意义，但在婴儿中仍具有挑战性。

目的

开发一种自动深度学习方法，用于婴儿脑部MRI中基底节及其周围空间的分割，该方法采用基于解剖结构的伪标记技术。

研究类型

回顾性、多队列的技术开发与验证研究。

研究对象

三个队列：来自“发展中的人类连接组项目”（dHCP）的150名新生儿（妊娠周数为37–44周；76名男性，74名女性）；来自“婴儿连接组项目”（BCP）的133名婴儿（≤24个月；70名男性，63名女性）；以及来自内部数据集的70名婴儿（妊娠周数为30–41周；36名男性，34名女性）。手动标注由经过培训的研究人员生成（dHCP，n=150；BCP，n=8；内部数据集，n=10），并由具有15年经验的放射科医生进行验证。

磁场强度/序列

数据包括3T MRI的T1和T2加权序列：dHCP（反转恢复快速自旋回波[IR-TSE]和快速自旋回波[TSE]），BCP（磁化准备快速梯度回波[MPRAGE]和TSE），以及内部数据集（MPRAGE和可变翻转角TSE）。

评估方法

将所提出的方法与使用不同标记策略训练的替代自动化方法进行了比较。训练/验证/测试数据的比例分别为100/25/25（dHCP）、100/25/8（BCP）和50/10/10（内部数据集）。

统计测试

计算了基底节及其周围空间的量化指标，包括Dice相似系数（DSC）、召回率、阳性预测值和Hausdorff距离。统计显著性通过Wilcoxon符号秩检验（p<0.05）进行评估，量化一致性通过皮尔逊相关系数（Pearson's correlation）、组内相关系数（ICC）和平均绝对误差（MAE）进行评估。

结果

所提出的方法提高了分割精度（dHCP：基底节DSC=0.91±0.03，基底节周围空间DSC=0.78±0.09；经过微调后在外部数据集中的精度为0.86–0.89），并且在PVS量化方面与参考测量结果高度一致（r=0.90–0.99，ICC≥0.96，MAE=0.10）。

数据结论

所提出的方法似乎能够实现婴儿基底节及其周围空间的稳健且高效的分割。

证据水平

3级。

技术有效性

1级。

通俗语言总结

本研究开发了一种深度学习框架，用于婴儿脑部MRI中基底节（BG）及其周围空间（BG-PVS）的联合分割。准确的BG-PVS量化依赖于精确的基底节边界。然而，婴儿MRI常常受到运动和模糊的影响。为了解决这个问题，所提出的模型利用解剖结构信息生成了可靠的训练标签，而无需大量手动标注。该方法实现了较高的分割精度（基底节Dice系数0.91±0.03，基底节周围空间Dice系数0.78±0.09；经过微调后在外部数据集中的精度为0.86–0.89），并且在PVS量化方面与参考结果高度一致（r=0.90–0.99，组内相关系数≥0.96），其性能可与完全监督的方法相媲美，有助于可扩展的神经发育研究。